机器学习-文本特征值抽取，中文分词

在文本特征值抽取过程中，将用到jieba分词

特点

支持三种分词模式：

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能解决歧义。
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。 支持繁体分词
• 支持自定义词典
• MIT 授权协议

安装方法

pip install jieba

官网

https://pypi.org/project/jieba/

Demo

from sklearn.feature_extraction import DictVectorizer
from sklearn.feature_extraction.text import CountVectorizer
import jieba

def cutword():
    
    con1 = jieba.cut("人从来不是一成不变的，生活会追着你，一而再的脱胎换骨，只要愿意，你永远有机会，成为不断前行的人，最终活成自己喜欢的模样。")
    
    con2 = jieba.cut("自己喜欢的未必是自己擅长的，自己擅长的又未必是自己喜欢的。当你发现你不擅长这件事情的时候，你就要努力想清楚：我应该干什么？我能干什么？我可以干什么？")
    
    con3 = jieba.cut("朋友是生命的丛林，是心灵歇脚的驿站，是收藏心事的寓所，是储蓄感情的行囊，不管人生路上几多风雨，朋友如伞，伴你一路晴空！愿你的天空更蓝、人生最美！")
    
    # 转换成列表
    content1 = list(con1)
    content2 = list(con2)
    content3 = list(con3)
    
    # 把列表转换成字符串
    c1 = ' '.join(content1)
    c2 = ' '.join(content2)
    c3 = ' '.join(content3)
    
    return c1,c2,c3


def hanzivec():
    """
    
    中文特征值化
    ：return： None
    """
    c1, c2, c3 = cutword()
    
    print(c1,c2,c3)
    
    cv = CountVectorizer()
    
    data = cv.fit_transform([c1,c2,c3])
    
    print(cv.get_feature_names())
    
    print(data.toarray())
    
    return None


if __name__ == "__main__":
    hanzivec()

结果如下